第五章 物流系统的智能优化方法21804.ppt

物流系统的智能优化方法 课程内容 模拟退火算法、遗传算法、禁忌有哪些信誉好的足球投注网站算法、神经网络与神经网络优化算法 课程目标 了解智能优化的模型结构；理解模拟退火算法的收敛性条件； 掌握智能优化的流程、操作、算法理论与技术 物流系统优化的智能优化方法为复杂物流管理决策问题提供了重要的可行性解决方案。 模拟退火算法(Simulated Annealing) 1、 基本思想 (1)是基于Monte Carlo迭代求解策略的一种随机寻优算法，其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。 (2)结合爬山法和随机行走 注：SA算法最早是由Metropolis等(1953)提出 模拟退火算法(Simulated Annealing) (3)模拟退火算法在某一初温下，伴随温度参数的不断下降，结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即在局部优解能概率性地跳出并最终趋于全局最优解。模拟退火算法是一种通用的优化算法，目前已在工程中得到了广泛应用。 模拟退火算法(Simulated Annealing) 2、 物理退火过程和Metropolis准则 简单而言，物理退火过程由以下三部分组成： ⑴加温过程。其目的是增强粒子的热运动，使其偏离平衡位置。当温度足够高时，固体将溶解为液体，从而消除系统原先可能存在的非均匀态，使随后进行的冷却过程以某一平衡态为起点。溶解过程与系统的熵增过程联系，系统能量也随温度的升高而增大。 模拟退火算法(Simulated Annealing) ⑵等温过程。物理学的知识告诉我们，对于与周围环境交换热量而温度不变的封闭系统，系统状态的自发变化总是朝自由能减少的方向进行，当自由能达到最小时，系统达到平衡态。 ⑶冷却过程。目的是使粒子的热运动减弱并渐趋有序，系统能量逐渐下降，从而得到低能的晶体结构。 模拟退火算法(Simulated Annealing) Metropolis等在1953年提出了重要性采样法，即以概率接受新状态。具体而言，在温度t,由当前状态i产生新状态j，两者的能量分别为 ，若 则接受新状态j为当前状态；否则，若概率 大于 区间内的随机数则仍旧接受新状态j为当前状态，若不成立则保留i为当前状态，其中k为Boltzmann常数。 模拟退火算法(Simulated Annealing) 这种重要性采样过程在高温下可接受与当前状态能量差较大的新状态，而在低温下基本只接受与当前能量差较小的新状态，而且当温度趋于零时，就不能接受比当前状态能量高的新状态。这种接受准则通常称为Metropolis准则。 模拟退火算法(Simulated Annealing) 2、 算法步骤 标准模拟退火算法的一般步骤可描述如下： ⑴给定初温 ，随机产生初始状态 ，令 ； ⑵Repeat: ①Repeat 产生新状态 ； 模拟退火算法(Simulated Annealing) Until 抽样稳定准则满足； ②退温 ，并 令 ； Until 算法终止准则满足； ⑶输出算法有哪些信誉好的足球投注网站结果。 模拟退火算法(Simulated Annealing) 3、 算法关键参数和操作的设定 从算法流程上看，模拟退火算法包括三函数两准则，即状态产生函数、状态接受函数、温度更新函数、内循环终止准则和外循环终止准则，这些环节的设计将决定SA算法的优化性能。此外，初温的选择对SA算法性能也有很大影响。 模拟退火算法(Simulated Annealing) ⑴状态产生函数 设计状态产生函数（邻域函数）的出发点应该是尽可能保证产生的候选解遍布全部的解空间。通常，状态产生函数由两部分组成，即产生候选解的方式和候选解产生的概率分布。 模拟退火算法(Simulated Annealing) ⑵状态接受函数 状态接受函数一般以概率的方式给出，不同接受函数的差别主要在于接受概率的形式不同。设计状态接受概率，应该遵循以下原则： ①在固定温度下，接受使目标函数值下降的候选解的概率要大于使目标值上升的候选解的概率； 模拟退火算法(Simulated Annealing) ②随温度的下降，接受使目标函数值上升的解的概率要逐渐减小； ③当温度趋于零时，只能接受目标函数值下降的解。 状态接受函数的引入是SA算法实现全局有哪些信誉好的足球投注网站